Human-in-the-Loopな検閲システムにおけるMLOpsの実践

[masatakashiwagi]

セッションタイトル (必須)

• [X] セッションのタイトルをイシュー件名に最大40文字程度で入力しました

連絡先の登録 (必須)

• [X] 私は、こちらのフォームに必要事項を記入してsubmitしました

セッションのアブストラクト (最大250文字) (必須)

本セッションでは，toC向けQ&Aサービスに新しく特定のユーザー群に機械学習を用いた検閲システムを開発しました．モデル学習，デプロイ，オンライン推論の仕組みをStep Functionsで一気通貫で構築する方法，実験管理の仕組みを導入したMLOpsの事例もお話出来ればと思います．

• コンテナ化による再利用性を意識したパイプライン構成
• 共通の実験基盤としてSageMaker Experimentsを使う方法とその活用
• SageMakerでホスティングされたオンライン推論の仕組み

セッションについての補足情報 (最大800文字) (任意)

以下，大きく3点について触れながら事例の紹介をしたいと思っています．

• SageMaker Pipelineの活用は最近見られるようになりましたが，Step Functionsで使えるSageMakerのコンポーネントを使った機械学習パイプラインの構築事例はほとんど無いと感じており，Step Functions×SageMakerでの方法を紹介すると共に，苦労した点も交えての紹介
• MLOpsの文脈として，SageMaker Experimentsを活用した実験管理とその活用方法も併せて紹介
• Human-in-the-Loopな検閲システムによるCSチームとの連携やシステム導入によるビジネス的な成果の紹介

今回構築したパイプラインはシンプルな構成になっているので，これから機械学習をサービスに組み込みたいと考えている人や少人数の機械学習チームでAWSのマネージドサービスを活用して機械学習パイプラインを構成したい人が比較的容易に取り組める参考例になればと考えております．

参考記事：

• SageMaker Experimentsを使った機械学習モデルの実験管理
• SageMakerとStep Functionsを用いた機械学習パイプラインで構築した検閲システム（前編）
• SageMakerとStep Functionsを用いた機械学習パイプラインで構築した検閲システム（後編）

セッション時間

45分

想定受講者の知識レベル（必須）

中級 - セッションの中心となるトピックを触ったことがある、現在勉強中である方向け

想定受講者の開発対象やロール・役割 (複数選択可) (必須)

その他

想定受講者の業種・業界・業態 (複数選択可) (任意)

エンタープライズ, ゲーム, スタートアップ, 金融, 医療, 教育

セッションのトピック (複数選択可) (必須)

プログラミング, アプリケーションアーキテクチャー, その他

セッションの技術カテゴリー (複数選択可) (必須)

AI / 機械学習

セッション内で登場する主な AWS サービス (任意)

SageMaker, Step Functions, EventBridge, ECS/Fargate, S3, CloudWatch Logs

[aws-dev-day-japan[bot]]

AWS Dev Day Online Japan 2022 へのセッション応募ありがとうございます！ セッション審査は本issueへの GitHub リアクションも加味して実施します。ぜひぜひソーシャルでのシェアもお願いいたします。 採択の場合はご登録いただいた連絡先へ運営よりご連絡しますので、メールのご確認もあわせてお願いいたします。